کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
4974681 1365545 2015 29 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Bipartite coordination problems on networks of multiple mobile agents
ترجمه فارسی عنوان
مشکلات هماهنگی دو طرفه در شبکه های عامل های متعدد تلفن همراه
ترجمه چکیده
یادگیری از طریق پیاده سازی تکراری یا مکرر یک روش هوشمند است که به طور کامل از اطلاعات تجربی از تکرارهای قبلی یا تکرار در محاسبه سیگنال کنترل برای بهینه سازی عملکرد سیستم فعلی استفاده کامل می کند. در این مقاله، ما ایده یادگیری تکراری را برای مقابله با مشکلات همگانی دو طرفه برای عوامل چندگانه تلفن همراه در محیط های شبکه ای که توسط نمودارهای امضا شده به کار رفته است، در نظر می گیریم. هدف ما در انجام وظایف هماهنگ دوجانبه با دقت بالا برای عوامل شبکه ای تلفن همراه با یک مرجع متغیر زمان است که اطلاعات آن فقط برای یک بخش از عوامل موجود است. برای رسیدن به این هدف، الگوریتم های یادگیری تکراری را برای عوامل با استفاده از نزدیکترین قانون همسایگی ایجاد می کنیم و به مسائل مرتبط با ثبات مربوطه و همگرایی هم توانی برای آنها پرداختیم. ما شرایط همگرایی و تضمین امکان سنجی آنها را ایجاد می کنیم. به طور خاص، ما یک کلاس از شرایط نابرابر ماتریس خطی را ایجاد می کنیم و همچنین ارائه فرمول هایی برای طراحی ماتریس های به دست آمده. ما برای شبیه سازی اثربخشی الگوریتم های پیشنهادی در فعال کردن عامل های تلفن همراه برای دستیابی به هماهنگی دوبعدی با دقت بالا در شبکه های مرتبط با نمودارهای امضا شده به کار می بریم.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر پردازش سیگنال
پیش نمایش مقاله
مشکلات هماهنگی دو طرفه در شبکه های عامل های متعدد تلفن همراه
چکیده انگلیسی
Learning via iterative or repeated implementation is an intelligent method which takes full advantage of experience data from previous iterations or repetitions in the control signals computation to improve the current system performance. In this paper, we incorporate the idea of iterative learning to deal with bipartite coordination problems for multiple mobile agents in networked environments that are described by signed directed graphs. We aim at high-precision bipartite coordination tasks for networked mobile agents subject to a time-varying reference whose information is only available to a portion of agents. To achieve this objective, we construct iterative learning algorithms for agents using the nearest neighbor rule and address the related asymptotic stability and monotonic convergence issues for them. We establish convergence conditions and the guarantees to their feasibility. In particular, we develop a class of linear matrix inequality conditions, as well as providing formulas for the design of gain matrices. We perform simulations to illustrate the effectiveness of the proposed algorithms in enabling mobile agents to achieve high-precision bipartite coordination on networks associated with signed directed graphs.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Journal of the Franklin Institute - Volume 352, Issue 11, November 2015, Pages 4698-4720
نویسندگان
, , ,